1.一種基于OCEAN模型的個性化推薦的方法，其特征在于，包括以下步驟：

(1)、建立社交網站用戶的OCEAN模型

(1.1)、選取若干微博賬戶，對這些用戶進行五種人格測試，得到五種人格維度的得分，再將這五種人格維度的得分作為被試用戶的OCEAN模型；

(1.2)、通過模擬瀏覽器的方式獲取頁面內容，抓取被試用戶的微博數據，用戶的微博數據分為兩個部分：文本文檔和用戶基本信息；其中，文本文檔指用戶發的所有微博文本的匯總，用戶基本信息包含用戶注冊時間、用戶關注數量、用戶微博條數、是否有個性簽名，然后分別將每位用戶的微博數據匯總成一篇文本文檔；

(1.3)、對文本文檔進行預處理：文本文檔進行過濾、分詞處理，以及去停止詞后存放在指定的數據庫中；

(1.4)、將數據庫中所有被試用戶的文本文檔導入到LDA主題模型中，LDA主題模型輸出每位被試用戶的文本文檔主題概率分布；

其中，LDA主題模型的輸入包括：所有用戶文本文檔的集合、主題數K、超參數α和β；

(1.5)、以被試用戶的文檔主題概率分布作為樣本輸入，以被試用戶的OCEAN模型作為樣本輸出，利用BP神經網絡進行訓練，建立用戶文檔主題分布與用戶OCEAN模型之間的映射模型，并該映射模型作為預測社交網站用戶的OCEAN模型；

(2)、基于社交網站用戶的OCEAN模型對用戶進行個性化推薦

(2.1)、用戶聚類

基于社交網站用戶的OCEAN模型，利用K均值聚類算法將用戶分成K種不同性格的用戶群；

設k是k-means算法的輸入參數，代表該算法在數據集上分割并計算后輸出的數量，數據集由n個數據點組成，表示所有用戶的數量，輸入參數為聚類的數目k和用戶的OCEAN模型數據；具體算法如下：

1)、將用戶OCEAN模型的五個維度的數據幾位集合I＝{i₁,i₂,...,i₅}；

2)、檢索所有的m個用戶，記為集合U＝{u₁,u₂,...,u_m}；

3)、從m個用戶中，人工選取其中訪問量較高其標簽不同的用戶作為初始的聚類中心，記為{W₁,W₂,...,W_K}；

4)、循環輸入向量，計算每個簇中對象的平均值，更新聚類中心，直到不再發生變化；

(2.2)、根據目標用戶所屬類別對其進行個性化推薦

在目標用戶出現時，首先確定目標用戶所在的聚類類別，然后將目標用戶所在類別中的每個用戶發的所有微博分別作為一個候選集item，再利用詞頻-逆文檔分別對每個候選集item中進行文本特征隨機抽取，構建出一個n維向量，作為每個候選集item的屬性資料，其中，每抽取一條微博作為一維向量；

根據目標用戶的微博數據匯總成一篇文本文檔，同樣利用詞頻-逆文檔頻率，對目標用戶的文本文檔進行文本特征隨機抽取，構建出一個m維向量，作為目標用戶的喜好資料；

根據余弦相似性公式，計算用戶的喜好資料與每一個候選集item的屬性資料的相似度，將相似度最高的候選集item作為推薦集，推薦給目標用戶。